Experimentos numéricos en el aula sobre fenómenos difusivos

Anuncio
ENSEÑANZA
REVISTA MEXICANA DE FÍSICA 56 (1) 41–50
JUNIO 2010
Experimentos numéricos en el aula sobre fenómenos difusivos:
difusión anómala en sistemas fı́sicos y biológicos
J.F. Rojas y M.A. Morales
Fac. de Ciencias Fı́sico Matemáticas,
Benemérita Universidad Autónoma de Puebla.
Recibido el 4 de junio de 2009; aceptado el 11 de enero de 2010
El fenómeno de la difusión es un tema poco revisado durante la vida estudiantil de casi cualquier fı́sico, del mismo modo que se tocan poco
las ecuaciones diferenciales parciales. Todo esto a pesar de que la gran mayorı́a de las ecuaciones de la fı́sica pertenecen a este conjunto.
Parte del objetivo del presente trabajo es la motivación al tema mostrando, por un lado, ideas centrales y conceptos relacionados con el
fenómeno de la difusión. El otro aspecto consiste en la construcción de un experimento numérico muy simple que permite ver la limitación
de la ecuación de difusión de Einstein. El aspecto ¿anómaloÀ de la difusión aparece en sistemas que no son cerrados en general, por
ejemplo, los animales en la actividad de forrajeo o la difusión de partı́culas en medios porosos. El experimento numérico propuesto muestra
los aspectos súper y subdifusivos que se observan en estos y muchos otros sistemas.
Descriptores: Difusión; difusión anómala; fı́sica computacional; python; movimiento Browniano.
The diffusion phenomena and the Partial Differential Equations are topics barely reviewed in the undergraduate level of Physics. The main
goal of the present work is, precisely, motivate students to study the ubiquitous diffusion phenomena showing the Einstein’s model. In the
other hand, we propose a very simple numerical experiment that enables us to see the original diffusion equation limitations. The character
of the anomalous diffusion showed in the examples appears, in general, in open systems such as foraging walks in animals or inanimated
particles moving in a porous media. The proposed numerical experiment shows the superdiffusive and subdiffusive phenomena.
Keywords: Anomalous diffusion; computational physics; python; Brownian motion.
PACS: 05.40.Fb, 05.40.-a, 01.50.H-, 01.50.ht
1.
Introducción
Suele ocurrir que en la licenciatura en fı́sica, tópicos tales
como la difusión, entre otros, se tocan, si acaso, de manera tangencial y, por esta razón, nos queremos referir a dos
aspectos fundamentalmente en esta discusión: el primero es
la posibilidad de abrir el tema y, conceptualmente, asociarlo con otros fenómenos y nuevas áreas de estudio en las que
un fı́sico podrı́a participar. Muchos ejemplos pueden ser considerados dado el hecho de que, finalmente, se trata de una
ecuación diferencial parcial que es caso particular de muchas
otras. De hecho aquı́ discutiremos algunos aspectos del tema que lo llevan más allá: a otras áreas del conocimiento y,
por lo mismo, a otro tipo de aplicaciones. El otro aspecto que
nos interesa discutir aquı́ tiene que ver con la aplicación de
software libre y la posibilidad de implementar, con algoritmos simples, programas que permitan al estudiante el acceso
visual y numérico a conceptos y fenómenos que, además de
ser de actualidad, son difı́ciles de explicar en una clase de pizarrón. De manera particular nos interesan los lenguajes estilo script, que son mucho menos restrictivos y elaborados para
el programador, además de ser mucho más simples en su estructura y con mayores posibilidadesi . Esta idea se encuentra
aunada a la posibilidad del uso y reuso de software que haya
sido iniciado por otras personas y que, de manera libre, circule entre usuarios que finalmente lo van enriqueciendo cada
dı́a sin más interés que el de aportar su tiempo y sus conocimientos en una construcción colectiva útil y flexible.
En este caso se trata de unir estos aspectos mediante la
construcción de un experimento numérico que, aunado a un
lenguaje sencillo de programación estilo script, python [1],
y módulos numéricos [2] y gráficos propios del lenguaje [3],
permiten hacer un programa que modele la dinámica del movimiento browniano en tres dimensiones [4]. A partir de este
modelo se hacen modificaciones o agregados que permiten
visualizar los otros aspectos de la difusión: en esto consiste
nuestro experimento numérico.
Tanto en el mundo natural como en el de la ciencia y en la
técnica el fenómeno de la difusión está presente en una gran
cantidad de eventos. Las fotocopiadoras e impresoras láser
presentan transporte de electrones o ¿huecosÀii en materiales semiconductores amorfos impulsados por un campo
eléctrico. En 1975 se demostró que los electrones que se desplazan en medios porosos tienden a ser atrapados por las imperfecciones locales y luego liberados por las fluctuaciones
térmicasiii . De hecho presentaban una distribución asimétrica que no coincide con las tı́picas gaussianas. Un mecanismo similar provoca que los contaminantes viajen mucho más
lentamente que lo predicho por la difusión clásica en flujos
de agua subterránea debido a las imperfecciones de las paredes. Una modificación a la ecuación de difusión podrı́a permitir la determinación del tiempo que los contaminantes en
los rı́os tardan en llegar a los lagos o mares, o el tiempo que
tarda una epidemia en expandirse a partir de un foco de infeccióniv . Otro mecanismo es el que ocurre cuando las proteı́nas se difunden por las membranas celulares. Este meca-
42
J.F. ROJAS Y M.A. MORALES
nismo permite la transmisión de información hacia dentro de
las células y, como se ha demostrado experimentalmente, las
proteı́nas pasan mucho tiempo atrapadas en el citoesqueleto.
Esto ¿retrasoÀ en la dinámica de la difusión producen un
fenómeno de difusión ¿lentaÀ, o subdifusión [5].
Un caso opuesto puede ser el vuelo del albatros sobre el
mar, que se caracteriza por vuelos en lı́nea recta, largos, interrumpidos por movimientos aparentemente aleatorios localizados [6]. Esta dinámica provoca difusión más ¿rápidaÀ
que la predicha clásicamente y se le llama superdifusión [5].
A diferencia de lo que ocurrirı́a en una dinámica de difusión
¿simpleÀ, estas trayectorias pueden pensarse como estrategias óptimas de búsqueda que llevan a las aves a nuevas
áreas, en lugar de permanecer cercanas a un mismo sitio. Las
trayectorias de los monos araña de la selva de Yucatán, en el
proceso de forrajeo, son del mismo tipo que las del albatros:
pasos muy largos seguidos de muchos pequeños desplazamientos, de nuevo un paso largo, etc. [7,8].
En otros casos más complejos (donde hay términos relacionados con reacción y/o fuentes o sumideros de sustancia)
este término difusivo da origen a patrones como las manchas
de la piel de los animales [9] o las formadas por la vegetación
en diferentes zonas [10].
2. Difusión
A diferencia de las acuarelas, las pinturas en general no se
difunden sobre la superficie donde se colocan. Por lo menos
no es evidente ahı́ el fenómeno, que podrı́a pasar en dimensiones espaciales muy pequeñas como para ser percibidas a
primera vista. El agua se difunde entre la tierra cuando llueve
o cuando regamos una maceta, las sustancias de nuestros alimentos se difunden por todo el cuerpo a través de diferentes
etapas, medios y escalas, el café en la leche o viceversa, los
iones de sodio y cloro si se separa la sal al entrar en contacto
con el agua, las partı́culas ideales de un gas cuando se retira
la pared que divide al recipiente.
En un trabajo más o menos extenso Einstein demuestra
la constitución corpuscular de la materia construyendo una
ecuación que describe el movimiento browniano: la ecuación
de difusión [11]. Al parecer la forma más famosa o más conocida es la de la ecuación de difusión del calor,
∂T
= D∇2 T,
∂t
(1)
clásica cuando se enseña la técnica de la transformada de
Fourier. En la Ec. (1) T es la temperatura y la letra D es un
coeficiente de proporcionalidad llamado coeficiente de difusión. Esta ecuación describe la forma en la que la temperatura
varı́a espacial y temporalmente en un punto: cómo se difunde
a partir de él.
Una forma genérica de la ecuación de difusión serı́a la
siguiente:
∂u
= D∇2 u.
(2)
∂t
F IGURA 1. Caminata Browniana (izquierda) y trayectorias tı́picas
de los albatros y de los monos araña (derecha, llamadas vuelos de
Lèvy).
La parte de las derivadas parciales tiene un significado fı́sico de conservación: si pensamos que u = u(r, t) es la concentración local de ¿algoÀv , esta ecuación nos dice que
si disminuye (o aumenta) esa concentración muy cerca de
la posición r, esto se debe a que hay un fenómeno de difusión que corresponde a la variación local (espacial) de la
concentración hacia ¿fueraÀ del sitio observado. Hay que
recordar que el sı́mbolo del operador de Laplace ∇2 es la
¿abreviaturaÀ de ∇ · ∇, que es la divergencia del gradiente, es decir, ∇2 u = (∇ · ∇)u nos dice cuánto divergevi el
campo vectorialvii que representa los cambios espaciales de
u en el punto donde se evalúa. Uno se puede imaginar una gota de tinta puesta en papel o en agua. La gota al inicio será un
punto grande, digamos que azul, pero a medida que pasa el
tiempo una mancha azul cada vez ¿menos azulÀ se va incrementando en tamaño y va cubriendo un área mayor. Este
azul representa la concentración u.
Existe una relación fenomenológica que establece una relación para el gradiente de concentración local (u en este caso, o T para el caso (1) y la tendencia observada de los flujos
(de masa, energı́a, etc.). Esta relación define una densidad
de corriente J~ asociada con el hecho de que el movimiento
siempre ocurre en la dirección de mı́nima concentración:
J~ = −D∇u.
(3)
De este modo se establece la ecuación de difusión como una
ecuación de conservación: en una región infinitesimal, la concentración u disminuye (en el tiempo) si y solamente si parte
de la ¿sustanciaÀ sale de la región. Esta relación genérica
se conoce como ley de Fick [5] (en el caso de la difusión de
calor la relación (3) se llama ley de Fourier).
2.1.
El modelo de Einstein
Aunque en su trabajo original la intención era otra -de hecho,
por ejemplo, establece un criterio para calcular el tamaño de
los átomos- veamos un poco de lo que hizo Einstein respecto
a la difusión [11]:
Vayamos a una consideración más cercana a los movimientos irregulares que resultan del movimiento molecular
térmico, y da lugar a la difusión investigada en el parágrafo
anteriorviii .
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
EXPERIMENTOS NUMÉRICOS EN EL AULA SOBRE FENÓMENOS DIFUSIVOS: DIFUSIÓN ANÓMALA EN SISTEMAS. . .
Evidentemente debe suponerse que cada partı́cula ejecuta un movimiento que es independiente de todas las demás
partı́culas; los movimientos de una y la misma partı́cula después de diferentes intervalos de tiempo deben ser considerados como procesos mutuamente independientes, tanto como
pensemos que esos intervalos de tiempo han sido elegidos no
muy pequeños.
Inroduciremos un intervalo de tiempo τ en nuestra discusión, el cual es muy pequeño comparado con el tiempo total
de observación, pero, sin embargo, de tal magnitud que los
movimientos ejecutados por una partı́cula en dos intervalos
de tiempo τ consecutivos sean considerados como fenómenos
mutuamente independientes.
Suponga que hay n partı́culas juntas suspendidas en un
lı́quido. En un intervalo de tiempo τ las coordenadas x de
las partı́culas se incrementarán en ∆, donde ∆ tiene un valor diferente (positivo o negativo) para cada partı́cula. Para
el valor de ∆ se cumplirá una cierta ley de probabilidad; el
número dn de partı́culas que experimentan en el intervalo
τ un desplazamiento que se encuentra entre ∆ y ∆ + d∆,
será expresada por una ecuación de la forma
Podemos llevar esta expansión bajo el signo de integral, dado que solamente muy pequeños valores de ∆ contribuyen
algo a la última. Obtenemos
f+
∂f
τ =f
∂t
+
+∞
Z
−∞
∆2
φ(∆)d∆ . . .
2
−∞
1
τ
−∞
y φ solamente difiere de cero por valores muy pequeños de ∆
y satisface la condición
Investigaremos cómo el coeficiente de difusión depende de
φ, confinándonos de nuevo al caso donde el número ν de
partı́culas por unidad de volumen depende solamente de x
y de t.
Poniendo el número de partı́culas por unidad de volumen
ν = f (x, t), calcularemos la distribución de partı́culas en
el instante t + τ a partir de la distribución en el tiempo t.
De la definición de funciónix +(A), es fácilmente obtenido el
número de partı́culas localizadas en el tiempo t + τ entre dos
planos perpendiculares al eje x, con abscicas x y x + dx.
Obtenemos
+∞
Z
f (x, t + τ )dx = dx
f (x + ∆, t)φ(∆)d∆.
Esta es la bien conocida ecuación diferencial para la difusión, y reconocemos que D es el coeficiente de difusión...
Después de un comentario sobre el sistema de coordenadas continúa:
Nos referiremos a un sistema de coordenadas cuyo origen coincide en el instante t = 0 con la posición del centro
de gravedad de las partı́culas en cuestión; con esta diferencia, lo que f (x, t)dx da es ahora el número de partı́culas
cuya coordenada x se ha incrementado entre t=0 y t = t,
por una cantidad que está entre x y x + dx. En este caso
también la función f debe satisfacer (I)x . Además, debemos
tener evidentemente que para x < 0 o x > 0 y t = 0,
+∞
Z
f (x, t) = 0 y
f (x, t)dx = n
Ahora, como τ es muy pequeño, podemos poner
∂f (x, t)
∂x
−∞
∆2
φ(∆)d∆ = D
2
∂f
∂2f
= D 2.
∂t
∂x
−∞
∂f
f (x, t + τ ) = f (x, t) + τ
.
∂t
Además podemos expander f (x + ∆, t) en potencias de ∆:
+∞
Z
y tomando en cuenta solamente el primer y tercer términos
del lado derecho, obtenemos, de esa ecuación
φ(∆) = φ(−∆).
+∆
∂2f
∂x2
−∞
+∞
Z
φ(∆)d∆ = 1
+∞
Z
φ(∆)d∆ = 1
2
−∞
En el lado derecho el segundo, cuarto, etc. términos se anulan dado que φ(∆) = φ(−∆); al contrario que los primero,
tercero, quinto, etc. términos. Cada término sucesor de otro
es muy pequeño comparado su predecesor. Teniendo en mente que
donde
2∂
+∞
+∞
Z
Z
∂f
φ(∆)d∆ +
∆φ(∆)d∆
∂x
y poniendo
dn = nφ(∆)d∆,
f (x + ∆, t) = f (x, t) + ∆
43
−∞
El problema, que coincide con el problema de la difusión hacia fuera de un punto (ignorando posibilidades de intercambio entre las partı́culas que se difunden), está ahora completamente definido matemáticamente; la solución es
f (x, t)
+ . . . adı́nf .
∂x2
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
x2
n e− 4Dt
√
f (x, t) = √
t
4πD
44
J.F. ROJAS Y M.A. MORALES
La distribución de probabilidad de los desplazamientos resultantes en un tiempo t es entonces la misma que la del error
fortuito, lo cual era de esperarse...
Calcularemos ahora con la ayuda de esta ecuación en
desplazamiento λx en la dirección del eje x que experimenta
una partı́cula en promedio, o -más precisamente expresadola raı́z cuadrada de la media aritmética de los cuadrados de
los desplazamientos en la dirección del eje x, esto es
p
λx =
x2 =
√
2Dt.
(4)
2.3.
Otras leyes de potencias
Una distribución de probabilidad ubicua en la naturaleza y
también en fenómenos creados por el hombre (economı́a,
literatura, etc.) es la llamada distribución de Pareto o de
Lèvy-Pareto [12,13]. Básicamente se trata de una distribución asimétrica, picuda, cuya curva está dada por una ley de
potencias de la forma y = x−α (ver Fig. 3), y que tiene una
desviación media cuadrática infinita [14].
El desplazamiento medio es entonces proporcional a la raı́z
cuadrada del tiempo.
En el artı́culo Einstein obtiene una solución para la ecuación
∂f
∂2f
= D 2,
(5)
∂t
∂x
A diferencia del movimiento browniano, como mencionamos arriba, las ¿caminatasÀ de los albatros y de los monos araña, entre otras especies [7,8], no ocurren de manera uniforme. En realidad -como suele pasar en muchı́simos
otros fenómenos de la naturaleza- también presentan una ley
de potencias: la frecuencia en el tamaño de los desplazamientos satisface una relación como
donde f es una función de distribución o densidad de probabilidad.
P (λ) ∼ λ−β
2.2. Comportamientos difusivos tα
Como dijimos, hay una gran cantidad de ejemplos de fenómenos difusivos en los cuales no se da lo que podrı́amos llamar
difusión ¿normalÀ, es decir, en estos fenómenos la relación (4) no se cumple. Esto equivale a decir que la desviación
cuadrática media de las posiciones de las partı́culas ya no es
lineal con el tiempo transcurrido, esto es, elevando al cuadrado ambos lados de la relación (4) se tiene para tres dimensiones, sustituyendo el desplazamiento x por |R(t) − R(t0 )|,
que
h|R(t) − R(t0 )|2 i = 2Dt.
(8)
donde P (λ) es la probabilidad de que uno de los desplazamientos sea de longitud λ, y β es una cantidad que caracteriza
la distribuciónxi .
Hay que remarcar aquı́ que las caminatas de los albatros y
los monos araña, a diferencia del movimiento browniano, no
pueden considerarse como caminatas aleatorias por el hecho
de que, por un lado, no son partı́culas inanimadas y, por el
otro, sus caminatas están condicionadas por la búsqueda de
alimento.
(6)
Sin embargo, en estos fenómenos la relación genérica que
prevalece es una ley de potencias de la forma
h|R(t) − R(t0 )|2 i ∼ tα .
(7)
En esta relación R(t) representa la posición de una partı́cula
en el instante t. El exponente α suele tener valores diferentes de la unidad y, como suele decirse en el ámbito de los
sistemas complejos, hace que la relación sea libre de escala.
Esto es, la gráfica log-log de una relación del tipo (7) es una
recta que, si cambiamos los coeficientes de cualquiera de las
variables (lo cual implicarı́a un cambio en la escala usada),
la gráfica seguirá siendo una recta con la misma pendiente
α: simplemente será desplazada a lo largo de alguno de los
ejes. Es decir, cuando aquı́ hablamos de difusión ¿rápidaÀ
o ¿lentaÀ, no nos referimos al coeficiente D de difusión
cuyo valor hará cambiar la pendiente de la relación (6), sino
al exponente y a la relación experimental (7) que, cualitativamente, representa un comportamiento diferente: no lineal.
Hablaremos ası́ de subdifusión si 0 < α < 1 y de superdifusión si α > 1.
F IGURA 2. Modelo 3D de las caminatas de los monos araña [8].
Los árboles amarillos son los que han sido visitados. Inicia en la
mancha roja.
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
EXPERIMENTOS NUMÉRICOS EN EL AULA SOBRE FENÓMENOS DIFUSIVOS: DIFUSIÓN ANÓMALA EN SISTEMAS. . .
F IGURA 3. Una ley de potencia tı́pica en escalas isométrica y loglog.
3.
Difusión anómala
En esta sección desarrollamos dos algoritmos (con sus programas) relacionados con el fenómeno de la difusión. El primero, en la siguiente sección, se refiere al modelo del movimiento browniano y a un resultado importante que coincide
con la solución analı́tica de Einstein en cuanto al ¿anchoÀ
de la distribución f . El segundo algoritmo consiste en un
experimento numérico en el que agregamos al movimiento
browniano elementos que lo acercan al comportamiento de
los fenómenos de subdifusión y superdifusión.
3.1.
Movimiento browniano: difusión
El movimiento browniano ¿normalÀ corresponde con lo
descrito por la ecuación de difusión: un conjunto de partı́culas (polen originalmente) colocadas en agua se mueven de
manera desordenada y sin una razón aparente: de manera
45
¿azarosaÀxii . Si observamos una sola de ellas veremos una
trayectoria con la forma de una madeja enredada. Si esta
partı́cula parte del origen, por ejemplo, puede observarse que,
después de muchos pasos, el promedio de sus posiciones sucesivas es cero debido a que no hay una dirección preferencial
para cada pasoxiii aleatorio, es decir, aproximadamente da el
mismo número de pasos para un lado que para el opuesto de
manera que la suma de los desplazamientos da algo cercano
a cero y la mancha (la ¿madejaÀ) tendrá un ancho finito.
Un detalle curioso resulta si superponemos muchas partı́culas brownianas (lo cual implica que no interactúan entre sı́):
el promedio de sus posiciones, es decir, de sus distancias relativas a una posición inicial, con respecto al tiempo es la relación linealxiv (6) donde R(t) es la posición de cada una de
las partı́culas superpuestas: esto coincide con lo que predice
el modelo de Einstein.
En el lado izquierdo de (6) se evalúa el promedio de las
distancias de todas las partı́culas con respecto a un punto de
referencia R(t0 ) que, por simplicidad, consideramos igual a
cero. Este promedio corresponde a la desviación cuadrática
media (4) de la que habla Einstein (puede revisarse un experimento simple que permite la medición de esta relación,
a partir de la que se obtiene el coeficiente de difusión en la
Ref. 15).
La parte central del algoritmo computacional de movimiento browniano consiste en hacer desplazamientos, con
dirección arbitraria y de longitud uno, para cada una de las
partı́culas. En el programa se asume que todas parten del origen y que (obviamente) no interactúan [4,11]. Una discusión
detallada del algoritmo y el siguiente programa se encuentra
en la Ref. 4:
#!/usr/bin/env python
#-*- coding: utf-8 -*from random import *
from visual import *
### par\’ametros:
np=500
L=50
radio=1
tvp=50
## velocidad de despliegue
bolas=[]
rlist=[]
Lb= (L/2.) ## LONGITUD EJES DE REFERENCIA
win=600
## ANCHO DE LA VENTANA
angulo=1.5 ## RANGO VISUALIZACION CAMARA
### elementos gr\’aficos, ejes
scene = display(title=‘‘Difusi\’on Browniana’’, width=win, height=win, x=1000, \
y=0, center=(0,0,0), background=(0,0,0))
axisX = arrow(pos=(0,0,0), axis=(Lb,0,0), shaftwidth=0.2, color = color.red)
axisY = arrow(pos=(0,0,0), axis=(0,Lb,0), shaftwidth=0.2, color = color.blue)
axisZ = arrow(pos=(0,0,0), axis=(0,0,Lb), shaftwidth=0.2, color = color.green)
label(pos=(Lb,0,0), text=’x’)
label(pos=(0,Lb,0), text=’y’)
label(pos=(0,0,Lb), text=’z’)
### lista de part{\’i}culas
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
46
J.F. ROJAS Y M.A. MORALES
for i in arange(np):
bola = sphere(color = color.red, radius=radio)
posicion=[0,0,0]
## posici\’on inicial de las part\’iculas
bola.r=vector(posicion) ## posici\’on de cada part\’icula
rlist.append(posicion) ## lista de posiciones auxiliar
bolas.append(bola)
bolas[0].color = color.yellow ## trazadora
r=array(rlist)
## conversi\’on a ’array’ (conviene)
### funci\’on que genera los desplazamientos
def dr():
dr1 = array([[uniform(-1,1), uniform(-1,1), uniform(-1,1)] for i in range(np)])
for i in range(np):
dr1[i] = dr1[i]/mag(dr1[i])
return dr1
### ciclo principal
t=0
while t<10000: #ciclo sobre el tiempo
rate(tvp)
t = t+1
rant = r[0] # posici\’on trazador
r = r + dr() # agregar desplazamientos a posici\’on actual
for i in arange(len(bolas)): # actualizar posiciones
bolas[i].pos=r[i]
curve(pos=[rant,r[0]],color=color.yellow, radius = .1) # traza
Una imagen de la dinámica lograda por este programa y la respectiva gráfica correspondiente a la expresión (6) se encuentra
en la Fig. 4.
3.2. Trampas y temperatura: un modelo para la difusión anómala
Hemos mencionado algunas caracterı́sticas relacionadas con el fenómeno de la difusión. Entre ellas algunas han sido propuestas
por el modelo de Einstein (tal como aparece en las Secs. 2.1 y 3.1). Ahora vamos a implementar la idea del movimiento
browniano, pero en un medio poroso: pensemos que las moléculas que lo forman se agrupan de tal modo que dejan algunos
intersticios o huecos. Es decir, si fuésemos una de estas partı́culas dando pasos uniformes y de dirección arbitraria dentro de
este medio entrarı́amos, eventualmente, en regiones intersticiales que nos atrapan por un tiempo que pensaremos proporcional
al tamaño del hueco. Cada partı́cula atrapada permanecerá ahı́ hasta que alguna otra molécula del medio, por agitación térmica,
la alcance y la saque del sitio. En el modelo suponemos que los huecos son esféricos y en la simulación aparecen en color azul.
1
2
3
4
5
6
7
8
9
10
#-*- coding: utf-8 -*from random import *
from visual import *
## par\’ametros f\’{\i}sicos del modelo
np=200
## n\’umero de part\’{\i}culas
nh=200
## n\’umero de pozos
T = 1.0
## temperatura inicial del sistema
dT = 0.000 ## incremento de paso de la temperatura
mu = 25.
## coeficiente de viscocidad
tesp=mu
## tiempo de espera para una part\’{\i}cula atrapada en un pozo
11
12
13
14
15
16
## par\’ametros gr\’aficos de la simulaci\’on
Tiempo = 10000
## tiempo de evoluci\’on del sistema
radio1=1.
## radio de una part\’{\i}cula browniana
tvp=50
## n\’umero de calculos por segundo
L=50
## longitud unitaria
Lb= 2.*(L/3.)
## longitud de ejes de referencia
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
EXPERIMENTOS NUMÉRICOS EN EL AULA SOBRE FENÓMENOS DIFUSIVOS: DIFUSIÓN ANÓMALA EN SISTEMAS. . .
17 win=600
18 angulo=.8
19
20
21
22
23
24
## ancho de la ventana
## rango de visualizaci\’on de camara
## inicializaci\’on de listas de variables
bolas=[]
rlist=[]
hoyos=[]
listhoyo=[]
tespL=[0 for i in range(np)] # part\’{\i}culas atrapadas
25 ## parte gr\’afica de la simulaci\’on
26 scene = display(title="Movimiento Browniano",width=win,height=win,x=1000, \
y=0,center=(0,0,0),background=(0,0,0))
27 axisX = arrow(pos=(0,0,0),axis=(Lb,0,0),shaftwidth=0.01,color=color.red)
28 axisY = arrow(pos=(0,0,0),axis=(0,Lb,0),shaftwidth=0.01,color=color.blue)
29 axisZ = arrow(pos=(0,0,0),axis=(0,0,Lb),shaftwidth=0.01,color=color.green)
30 label(pos=(Lb,0,0),text=’x’)
31 label(pos=(0,Lb,0),text=’y’)
32 label(pos=(0,0,Lb),text=’z’)
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
## se crean las listas de particulas y de ‘‘hoyos’’
for i in arange(np):
bola = sphere(color = color.red, radius=radio1)
posicion = [0,0,0]
rlist.append(posicion)
bola.r = vector(posicion)
bolas.append(bola)
bolas[0].color = color.yellow
r=array(rlist)
for i in arange(nh):
hoyo = sphere(color = color.blue, radius = int(paretovariate(mu)))
poshoyo = vector(uniform(-Lb,Lb), uniform(-Lb,Lb), uniform(-Lb,Lb))
hoyo.pos = poshoyo
listhoyo.append(poshoyo)
hoyos.append(hoyo)
ocup = [-1 for i in range(nh)]
h=array(listhoyo)
50 def atrapada():
51
## atrapada!
52
for i in range(np):
53
for j in range(nh):
54
if mag(r[i]-h[j]) < hoyos[j].radius and ocup[j] == -1:
55
tespL[i] = int(tesp*hoyos[j].radius) # t espera
56
ocup[j] = i
# part\’{\i}cula i atrapada en hoyo j
57
return 1
58 def dr():
59
atrapada()
60
dri = array([[uniform(-1,1), uniform(-1,1), uniform(-1,1)] \
for i in range(np)])
61
for i in range(np):
62
if tespL[i] == 0:
# no hay tiempo de espera => avance
63
dri[i] = T*uniform(0,1)*dri[i]/mag(dri[i])
64
else:
# tiempo de espera no nulo:
65
dri[i] = [0,0,0]
# no hay avance
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
47
48
66
67
68
69
70
71
72
J.F. ROJAS Y M.A. MORALES
tespL[i] = tespL[i]-1 # decrementa tiempo de espera
if tespL[i] == 0:
# desmarca part\’{\i}cula atrapada
j = 0
while ocup[j] != i and j !=
j += 1
ocup[j] = -1
# NO atrapada
return dri
73 seed()
# semilla para random
74 ## apertura de archivo para escritura de datos
75 ff = open("Brown_nh"+str(nh)+"mu"+str(mu)+"_T"+str(T)+ \
"_dT"+str(dT)+".dat","w")
76 t=0
# inicializaci\’on del tiempo
77 while t<Tiempo:
# ciclo sobre el tiempo
78
rate(tvp)
79
T += dT
80
t = t+1
81
rant = r[0]
# posici\’on actual del trazador
82
r = r + dr()
83
for i in range(np):
84
bolas[i].pos=r[i]
85
curve(pos = [rant,r[0]], color = color.yellow, radius = .1) # traza
86
# promedio de cuadrados de distancias al origen
87
S = sum( [mag(bolas[i].pos)**2 for i in range(np)] )/np
88
if t%100==0:
89
print >> ff, t, S
90 ff.close()
En este programa se ha agregado un bloque para generar
las trampas intersticiales o ¿huecosÀ y una lista en la que
se guarda la etiqueta de cada partı́cula que ha sido atrapada. Hasta la lı́nea 32 del listado solamente hay declaración
de parámetros y ambiente gráfico. De la lı́nea 33 a la 49 se
crean las listas de las partı́culas y ¿huecosÀ, que se transforman en el objeto array que permite hacer operaciones
aritméticas ¿colectivasÀ. Las lı́neas 50-57 contienen la
definición de la función atrapada() que define qué particulas están suficientemente cerca de alguno de los ¿pozosÀ
y quedarán atrapadas. En cada paso, dentro del ciclo de tiempo entre 76 y 89, si hay una partı́cula atrapada, se reduce
en uno su ¿tiempo de esperaÀ (el tiempo que permanece
atrapada) hasta que por fin es liberada cuando ese tiempo es
cero. Esto se lleva a cabo en la función dr(): si la partı́cula
no está atrapada dará un paso proporcional a un parámetro
de temperatura T. En caso contrario se reduce su tiempo de
espera en uno y su avance es cero.
En la Fig. 5 se aprecia la ¿madejaÀ correspondiente a la
trayectoria de una de las partı́culas brownianas. La partı́cula
trazadora (en color amarillo) se encuentra cerca del origen de
coordenadas. Las partı́culas rojas pueden quedar atrapadas en
los pozos que modelamos como esferas azules. En este modelo simple, por tanto, compiten las trampas (en número y
exponente de su distribución de tamaños) con las variaciones de temperaturaxv dT. La Fig. 6 muestra los casos en que
predomina el incremento de la temperatura (curva alta, con
F IGURA 4. Imagen de movimiento browniano con una partı́cula
trazadora. La gráfica del lado derecho corresponde a la relación (6)
para 500 partı́culas y 104 pasos.
α = 1.415, dT = 0.05, µ = 0), la viscosidad (curva inferior,
α = 0.639, µ = 4, dT = 0) y el caso de difusión browniana
(curva en el centro α = 0.999, µ = 0, dT = 0).
La lı́nea 79 del programa implica un proceso fuera de
equilibrio: la temperatura se incrementa en cada paso en dT
(a menos que dT=0). Este efecto puede competir con el
parámetro de viscosidad µ.
Dado que las leyes de potencias aparecen en tantos
eventos y fenómenos, en el modelo asumimos que los tamaños de las trampas o pozos (y, por tanto, los tiempos
de espera) tienen una distribución de Pareto: radius =
int(paretovariate(mu)) en la lı́nea 43 (ver relación (8)).
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
EXPERIMENTOS NUMÉRICOS EN EL AULA SOBRE FENÓMENOS DIFUSIVOS: DIFUSIÓN ANÓMALA EN SISTEMAS. . .
49
El número de partı́culas y de pozos empleado en las gráficas de la Fig. 7 fue de 500 en un rango de 104 iteraciones.
4.
Comentarios y posibilidades
En nuestro modelo, el efecto de difusión anómala se presenta para ciertos valores de µ y de dT. Esto representa fı́sicamente una competencia entre viscosidad (o fricción) dentro
de un medio poroso y el incremento lineal de la temperatura
con el tiempo. Esto implica mayor energı́a de las partı́culas y,
por lo mismo, el crecimiento de las longitudes de paso en su
¿caminataÀ.
F IGURA 5. Las partı́culas unidas a otra están atrapadas. La trazadora está cerca del origen.
Los experimentos numéricos pueden motivar a los estudiantes de fı́sica u otras áreas a construir sus propios experimentos o modelar sistemas de su interés. Una forma general
de construir simulaciones o modelos consiste en partir de una
idea muy simple que, a medida que va mostrando resultados,
puede irse modificando ya sea en complejidad de los comportamientos o incrementando los elementos participantes o
las relaciones entre ellos. Algunas cuestiones que podrı́an ser
investigadas a partir de este modelo podrı́an ser:
¿Qué ocurre si las partı́culas brownianas interactúanxvi ?
¿Si los poros o trampas fuesen del mismo tamaño?, ¿o
si tuviesen otra distribución?
¿Si hubiese muchos más poros que partı́culas (o viceversa)?, ¿hay una relación crı́tica entre estas cantidades?
2
F IGURA 6. < R(t) >contra t. Pueden observarse diferentes comportamientos. Superdifusión (arriba), difusión (centro) y subdifusión (abajo).
F IGURA 7. Dos casos de subdifusión para µ = 25, 4; b) dos casos
de superdifusión con dT = 0.005, 0.01.
¿Hay alguna relación entre µ y dT que logre difusión
¿normalÀ?
¿Existe relación entre los exponentes de las curvas y
los parámetros?
Todas estas y tal vez muchas otras preguntas pueden motivar
a los estudiantes a experimentar con este modelo y programa,
pero también a la búsqueda: a ver cómo hay que modificarlo
para obtener cierta información del modelo, cómo evitar la
infuencia de un parámetro u otro, etc. A la larga tendrá que
modificar, experimentar con este u otros modelos o crear los
propios. Finalmente, esperamos, serán parte de su formación
como futuros investigadores.
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
50
J.F. ROJAS Y M.A. MORALES
i. Aquı́ nos referimos a las posibilidades que ofrece un lenguaje de programación en el que no se tiene que implementar, por
ejemplo, los métodos de Newton o la regla de cuadratura de
Simpson. Más aún: no requiere que uno programe e implemente módulos o funciones que permitan visualizar, en tiempo real
o no, de manera rápida y eficiente, los resultados.
ii. La carga eléctrica que se desplaza en un medio puede ser descrita por la carga de los electrones, pero hay una convención
que describe esta corriente por medio de carga positiva. Esta
carga se asocia a los ¿huecosÀ que los electrones van dejando cuando salen de una posición, de modo que, en términos de
carga, puede verse un flujo de carga neta positiva en sentido
opuesto al de los electrones.
iii. Esta idea simple dio lugar a nuestro experimento numérico.
iv. Una modificación formal consiste en la introducción del concepto de derivada fraccionaria, pero el tema sale de las intenciones de este trabajo.
v. Este ¿algoÀ puede ser carga eléctrica, masa, componente de
una mezcla reactiva (en cuyo caso se requieren más ecuaciones), etc.
vi. Esto responde a la pregunta ¿cuántas lı́neas de campo salen de
una superficie cerrada, muy pequeña, que rodea al punto donde
evalúas?
vii. Si u es una función del tiempo y de las coordenadas, entonces ∇u será un campo vectorial que a cada punto del espacio
asocia el vector gradiente cuyas componentes nos dicen cuánto
crece u si nos desplazamos una unidad espacial en la dirección
elegida.
canismo que nos da direcciones impredecibles, pero todas con
la misma probabilidad de ocurrir.
xiv. Esto lo demostró Einstein (ver Sec. 2.1).
xv. Obviamente si nh, el número de trampas o de pozos, es cero, y además la temperatura del sistemas no cambia (dT=0),
entonces no habrá difusión anómala: las partı́culas brownianas
continuarán con su dinámica.
xvi. En esta parte hay un mundo de posibles resutados que dependen del tipo de interacción sugerida para las partı́culas brownianas: desde esfera dura hasta interacción coulombiana, magnética, etc.
xvii. Esto puede llevar a la discusión del fenómeno de percolación,
por ejemplo.
1. Página de python, http://www.python.org.
2. Numpy, Scipy: http://numpy.scipy.org/.
3. Visual python, http://www.vpython.org/.
4. J.F. Rojas, M.A. Morales, A. Rangel, and I. Torres. Rev. Mex.
Fı́s. 55 (2009) 97.
5. J. Klafter and I.M. Sokolov. Physics World (2005) 29.
6. A.M. Edwards et al. Nature 449 (2007) 1044.
7. G.R. Fernández, J.L. Mateos, Behav. Ecol. Sociol. 55 (2004)
223.
8. D. Boyer et al., Proceedings of the Royal Society B 273 (2006)
1743.
9. A. Witkin and M. Kass. Computer Graphics 25 (1991) 299.
viii. Realmente es la traducción del parágrafo 4 de la Ref. 11,
ası́ que se refiere al parágrafo 3.
10. J. von Hardenberg, E. Meron, M. Shachak, and Y. Zarmi. Phys.
Rev. Lett. 87 (2001).
ix. No sabemos a qué se refiere aquı́ Einstein, pero no es necesario
para entender el planteamiento.
11. A. Einstein, Investigations on the theory of the brownian movement (Dover, 1956).
x. La ecuación de difusión.
xi. La función P (λ) tiene las propiedades de cualquier función
densidad de probabilidad.
xii. ¿AzarosoÀ se entiende aquı́ como impredecible. La naturaleza es causal.
xiii. ¿AleatorioÀ. Se está pensando en un modelo (el que se
plantea) que reproduzca el comportamiento de muchas partı́culas brownianas, entonces por aleatorio se va a entender un me-
12. M. Levy and S. Solomon. Power Laws are Logarithmic Boltzmann Laws. arXiv:adap-org 9607001v1, (July 1996).
13. G. Cardarelli, M. Marsili, and Y. Zhang. Europhys. Lett. 40
(1997).
14. M.E.J. Newman. Power laws, Pareto distributions and Zipf’s
law. arXiv:cond-mat/0412004 (2004).
15. C. Booth, Tom Beer, and J.D. Penrose. Am. J. Phys. 46 (1978)
525.
Rev. Mex. Fı́s. 56 (1) (2010) 41–50
Descargar